使用fMRI和sMRI进行精神分裂症分类的可解释方法具有特点.
Archita Chakraborty1, Linkon Chowdhury2, Selvarajah Thuseethan2
1School of Science, Engineering and Technology, East Delta University, Chittagong, 4209 Bangladesh.
Health information science and systems
|December 19, 2025
概括
这项研究引入了一种使用多式磁共振成像 (MRI) 来改善精神分裂症诊断的新型机器学习框架. 该方法提高了分类准确性,并提供可解释的脑异常可视化.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 精神分裂症诊断依赖于神经成像,但多式联络数据集成和解释性仍然具有挑战性.
- 现有的机器学习模型在可视化复杂的神经成像特征以进行精神分裂症分类方面存在局限性.
研究的目的:
- 开发一个整合结构性MRI (sMRI) 和功能性MRI (fMRI) 的新型框架,以加强精神分裂症分类.
- 提高神经成像中机器学习模型的可解释性,用于临床决策.
主要方法:
- 使用独立组件分析 (ICA) 来从sMRI和fMRI数据中提取特征.
- 开发了一种用于分类的多尺度循环神经网络 (MsRNN).
- 采用层级相关性传播和梯度加权类激活映射用于可解释AI (XAI).
主要成果:
- 在MLSP数据集上达到83.33%的准确性,在COBRE数据集上达到89.8%.
- 产生了临床上有意义的可视化,突出了歧视性大脑区域.
- 与传统模型相比,表现出优越的性能.
结论:
- 拟议的多式联运,XAI集成框架为精神分裂症诊断提供了更高的准确性和透明度.
- 这种方法有助于识别疾病特异性的异常,并支持临床决策.


